Умный AI-ассистент для Ozon: Как я автоматизировал ответы на отзывы и вопросы, чтобы не краснеть за «бота»
Привет! Хочу рассказать об одном из своих недавних коммерческих кейсов — создание кастомной системы обработки отзывов и вопросов для селлера на Ozon (ниша БАДы и витамины).
На рынке есть два крайних лагеря. Одни продают «коробочные» сервисы, которые работают шаблонно и часто подводят. Другие предлагают разработку «с нуля» за сотни тысяч рублей и месяцы работы.
Я как Full-Stack архитектор выбираю третий путь — гибридный. Это когда мы берем скорость внедрения от готовых инструментов, но «мозги» и логику пишем кастомным кодом.
Давайте посмотрим, как это работает на практике и почему это выгоднее для бизнеса.
Почему стандартные боты — это риск
Мой клиент — предприниматель с серьезным оборотом на Озоне. Ему не нужна «игрушка», ему нужен инструмент, который закроет рутину и не подставит бизнес под штрафы.
Для сложной товарной матрицы, особенно в около-медицинской тематике полурешения не годятся:
- Они «слепые»: Не знают реальных остатков на складе прямо сейчас.
- Они «опасные»: Если вы продаете БАДы, одно неверное обещание «излечить» в ответе может стоить блокировки карточки.
- Они шаблонные: Покупатели сразу видят, что с ними говорит робот, и это раздражает.
В итоге я спроектировал систему, которая думает, проверяет факты и страхует сама себя.
Архитектура: Где код, а где автоматизация
Чтобы система работала стабильно и быстро, я использовал связку платформы n8n (это мощный оркестратор процессов) и чистого кода на JavaScript.
Зачем здесь программирование? Многие думают, что сейчас всё можно собрать из готовых кубиков. Это миф. Например, API Озона (программный интерфейс, через который общаются сервисы) отдает данные в сложном виде. Стандартные инструменты часто не могут их правильно «переварить».
Я пишу собственные модули обработки данных, которые:
- На лету исправляют ошибки в данных от маркетплейса.
- Формируют ответы именно в том виде, который ждет Ozon, чтобы избежать сбоев.
- Реализуют сложную логику проверки, недоступную в обычных конструкторах.
Как это работает «под капотом»
Система состоит из трех ключевых блоков.
1. Живая База Знаний и управление через Google Sheets
Это главный интерфейс для владельца бизнеса. Я намеренно отказался от сложных админ-панелей, которые персоналу пришлось бы долго изучать.
Вся база знаний живет в привычных Google Таблицах.
- Как это работает: Если у бота нет ответа на специфический вопрос, он не придумывает отсебятину. Он сохраняет этот вопрос в отдельную вкладку таблицы с пометкой «Требует внимания».
- Мгновенное обучение: Менеджеру достаточно один раз написать правильный ответ в соседней ячейке. Мой скрипт автоматически подхватывает изменения, переводит текст в машинный код (векторы) и обновляет «мозг» нейросети.
- Результат: Бот умнеет буквально за секунды, а клиент управляет сложнейшей AI-системой через простой Excel-интерфейс.
2. Проверка реальности (Stock Check)
Типичная боль: клиент спрашивает «Товар есть в наличии?», глупый бот отвечает «Да, конечно!», а на складе ноль. В моем решении, прежде чем ответить, система делает «живой» запрос к складам FBO и FBS. И только если товар физически есть, бот подтверждает наличие. Это реализуется именно через кастомный код внутри системы.
3. Двойной контроль (AI-Auditor)
Это то, что отличает профессиональный инструмент от поделки. Нейросети иногда ошибаются — это факт. Для бизнеса это риск. Я внедрил роль «ИИ-Аудитора».
Как это происходит:
- Первый модуль генерирует ответ клиенту.
- Второй модуль (Аудитор) получает этот ответ и строгий чек-лист.
- Аудитор проверяет:Нет ли там запрещенных медицинских утверждений? (Критично для БАДов).Соответствует ли тон ответа оценке покупателя? (Нельзя весело благодарить за «единицу» и разбитый товар).
Если Аудитор говорит «НЕТ», ответ блокируется и уходит человеку на проверку. В публикацию попадает только чистый, безопасный ответ.
5. Экономика решения: Почему мы не переплачиваем за ИИ
Многие думают, что для качественных, «человеческих» ответов обязательно нужны самые дорогие и мощные нейросети (вроде GPT-5.2 или Sonet 4.5). А это сильно удорожает рентабельность и на дистанции в год выльется в круглую сумму для клиента.
Но мой подход другой. Вся «магия» здесь кроется не в модели, а в архитектуре подготовки данных.
Благодаря тому, что система (RAG) предварительно находит в базе знаний идеально точные факты, инструкции и цифры используя фильтрацию по артикулу, мы подаем их боту «на блюдечке».
Нейросети больше не нужно быть «гением» и галлюцинировать, пытаясь вспомнить информацию. Ей остается лишь красиво сформулировать ответ на основе жестких фактов.
Именно такая глубокая детализация контекста позволяет нам использовать GPT-4.1 mini — самую дешевую и быструю модель на сегодня.
Итог
Заказчик получил не просто программу, а автономный бизнес-процесс.
- Скорость: Ответы на 95% вопросов приходят мгновенно, 24/7.
- Удобство: Полный контроль через таблицы, без обучения персонала.
- Безопасность: Юридические риски сведены к минимуму благодаря двойной проверке.
Моя задача как архитектора — не просто написать код, а дать бизнесу инструмент, который решает задачу, а не создает новые проблемы. И в современных реалиях маркетплейсов такая глубокая автоматизация — это уже стандарт индустрии.
⚠ Больше интересного я публикую в своем Тeleграm - kaнaлe, ссыль напишу в коммeнтах. 👇
На этом всё! Всем успехов! 🎬